Statistik

• Gegenstandsbereich der Psychologischen Methodenlehre umfasst Verfahren zur Messung latenter Eigenschaften und Fähigkeiten, Modellierung psychologischer Prozesse und Veränderungen, Erhebung, Auswertung und Interpretation psychologisch relevanter Daten.
• Teilbereiche der Psychologischen Methodenlehre umfassen Wissenschaftstheorie, Versuchsplanung, Datenanalyse, Psychometrie, Evaluationsmethoden.
• Psychologische Methodenlehre bildet die Grundlage der Psychologie als empirische Wissenschaft.
• Forschungs- und Evaluationsmethoden erlauben psychologische Prozesse zu beschreiben, vorherzusagen und zu erklären.
• Varianz der Kriteriumsvariable 𝑌 , die nicht vorhergesagt werden kann ist die Summe der Quadrate der Koeffizienten der Kriteriumsvariable.
• Regressionsgerade ist die Summe der Koeffizienten der Kriteriumsvariable.
• Gesamtvarianz ∑ (𝑦 𝑖 −𝑦̅)² 𝑛 𝑖 𝑛 ist die Summe der Quadrate der Koeffizienten der Kriteriumsvariable.
• Fragestellung aus der Grundlagenwissenschaft und den Anwendungsbereichen der Psychologie können daher nach objektiven Kriterien beantwortet werden.
• Methoden- und Statistikkenntnisse sind Voraussetzung für eigene Forschung und für das Verstehen und Kritischen Beurteilen psychologischer Forschung.
• Zweiseitiges Testen ist, wenn man nur Abweichungen (Richtung unabhängig) aufdecken will.
• Einseitiges Testen ist, wenn man davon ausgehen kann, dass der Effekt in eine bestimmte Richtung geht.
• Bei gleichem (Gesamt-) 𝛼 ist die Teststärke bei zweiseitigem Test immer kleiner als bei einseitigem Test.
• Bei zweiseitigem Testen teilt man 𝛼 gleichmäßig auf beide Ränder der Stichprobenverteilung.
• Spezifizieren Sie die Alternativhypothese oft nur mit Ungleichheitszeichen, z.B.
• Teststärke entspricht dem Flächenanteil „außerhalb“ des Kriteriums, welches bei zweiseitigem 𝛼 nach außen rückt.
• Zweiseitige Tests berücksichtigen die Alternativhypothese in beide Richtungen (positiv und negativ).
• Die Statistik ist eine Wissenschaft, die Regeln und Methoden stellt, um Daten zu erheben, Daten angemessen zu verarbeiten, Eigenschaften der Daten angemessen zu beurteilen.
• Die Berechnung des Standardfehlers für unabhängige Messungen ist in Abschnitt "Unabhängige Messungen" beschrieben.
• Die Varianz einer Differenz kann auch als Summe betrachtet werden.
• Die Differenzwerte können genauso behandelt werden wie einfache Werte.
• ⋀ bedeutet „und“, ∨ bedeutet „oder“.
• Bei abhängigen Messungen ist die Genauigkeit höher, da diese in der Regel positiv korrelieren und so ein geringerer Standardfehler entsteht, der wiederum die Genauigkeit erhöht.
• Bei ∨ muss die Schnittmenge der beiden Kriterien berechnet werden, damit nichts doppelt gezählt wird.
• Standardfehler für unabhängige Mittelwertsunterschiede sind bedingt durch Intervallskalierung, Normalverteilung und Varianzen der beiden Populationen gleich.
• Bei abhängigen Messungen ist die Untersuchungseinheit nicht eine einzelne Messung, sondern die Differenz zwischen den Messungen.
• Berechnung der Wahrscheinlichkeit einer Konjunktion, wenn Stichprobenergebnis nicht im Detail vorliegt: �� ( 𝐴 ⋀ 𝐵 ) = 𝑝 ( �� | 𝐵 ) ∗ 𝑝 ( 𝐵 ).
• In der Regel sind die Standardfehler für unabhängige Mittelwertsunterschiede nie genau gleich, die beste Schätzung ist die gemeinsame Varianz.
• Zufallsziehungen: Ergebnis der Ziehung unabhängig von anderer Ziehung.
• Die Bedingung ändert sich, wenn die Wahrscheinlichkeiten (die durch die Wahrscheinlichkeit der Bedingung geteilt werden) ändern.
• �� ( 𝐴 | 𝐵 ) steht auf rechter Seite, da bei Berechnung der Wahrscheinlichkeit einer Konjunktion eine mögliche Abhängigkeit des Auftretens des Ereignisses A vom Auftreten des Ereignisses B berücksichtigt wird.
• Unter Daten verstehen wir dabei zahlenmäßige Informationen, die meist an einer großen Menge an Objekten erhoben wurden.
• Beobachtete Daten sind Werte potenzieller Ergebnisse mit Treatment.
• Multiple Regression mit zwei Prädiktoren, Berechnungsformel: 𝑠 𝑒 = 𝑠 𝑦 ∗ √ 1 − 𝑅 𝑦.
• In Tabellen und Abbildungen oft hilfreich, sowohl Tabelle als auch Grafik bereitzustellen.
• Der Standardschätzfehler gibt an, wie stark die tatsächlichen 𝑦 - Werte um die vorhergesagten 𝑦 - Werte streuen.
• Form und Verteilung der Daten klar in Grafik darstellen.
• Der Suppressoreffekt ist eine Eigenschaft, bei der der Multipler Determinationskoeffizient größer ist als die Summe der einzelnen Determinationskoeffizienten.
• Kausalschlüsse sind definiert auf Einheits-Ebene als Vergleich der möglichen Ergebnisse der verschiedenen Treatments, von denen nur eines beobachtet werden kann.
• Der Suppressoreffekt kann nur auftreten, wenn die beiden Prädiktoren untereinander korrelieren (gemeinsame Varianz), einer der beiden Prädiktoren weist nur schwache / keine Korrelation mit Kriterium auf.
• Rubin’s Causal model: Problem der kausalen Inferenz als Problem fehlender Daten.